本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

Aug, 2016

引入了一种新的基于区块的恒星 - 星系分类方法，利用最新的 Sloan Digital Sky Survey 数据（SDSS-DR18），通过将天空按照 SDSS 观测模式进行分段，并使用专用的卷积神经网络（CNN），实现了恒星 - 星系分类的最新性能，初步结果证明了在实时观测环境下进行高效精确的天文分析的前景。

Apr, 2024

基于视觉 Transformer 和滑动窗口技术的层次化框架，我们提出了一种针对整个图像中的强引力透镜系统的搜索方法，可以有效地发现多波段图像中的强引力透镜系统，并且在真实观测和模拟数据中得到了较高的精度和召回率。

Apr, 2024

本文提出了一种自动检测和分类星系的方法，并使用新型数据增强程序来使训练模型更加健壮，以适应来自不同仪器和对比度拉伸函数的数据。该方法是 AstroCV 的一部分， AstroCV 是一个开源的计算机视觉库，用于处理和分析大型天文数据集，包括高性能的 Python 和 C++ 算法，它利用卷积神经网络和深度学习技术训练模型，提供的结果优于基于手动特征工程和 SVM 的方法。

Sep, 2018

使用卷积神经网络（CNN）的星空追踪器算法，通过模拟星像覆盖真实噪声和杂光，并结合像素坐标信息进行质心计算，解决高噪声和杂光干扰下的星点检测与定位问题，具有较高准确性和优秀的抗干扰能力。此外，该算法可在低功耗边缘 AI 处理器上实时执行。

Apr, 2024

该研究使用公民科学项目的志愿者与卷积神经网络相结合的方法，进行近实时的超新星识别并优于单独使用任一方法，对未来瞬变搜索的发展具有重要意义，尤其是在 LSST 和其他大通量调查的时代。

Jul, 2017

通过基于 PCA 的机器学习算法对短暂成像数据进行分类，可以实现 96% 的完整度和 84% 的准确度，并且在未来的天文调查中将大力发展完全机器化的解决方案。

Jul, 2014

本文提出一种基于深度神经网络的天文目标检测和分类框架，通过应用 Faster R-CNN 概念及使用修改的 Resnet-50 作为骨干网络和一个特征金字塔网络来提取不同天文目标的图像特征，以提高框架的泛化能力。通过模拟和真实观测图像来训练神经网络，实现天体目标的自动检测和分类，并可以部署在 Nvidia Jetson Xavier 等嵌入式设备上进行实时检测和分类。

Feb, 2020

本篇研究使用深度学习技术对多波段天文图像中的光源进行检测、分类和去混叠处理，构建一个基于 Mask R-CNN 图像处理框架的人工神经网络，并在星系和星星分类的模拟数据下进行了评估，其精度在 92% 的情况下回收率为 80% 的星星数据和 98% 的情况下回收率为 80% 的星系数据。研究还证明，其去混叠功能极为稳定，可用于 LSST 和 WFIRST 等深度图像调查项目。

Aug, 2019

使用新的大型 CCD 探测器进行的天文学广域成像带来了前所未有的规模的数据降低问题，该论文提出了一种新的基于神经网络 (NN) 的包 NExt (神经提取器)，可以自动检测物体、执行混合成分消除和恒星 / 星系分类。

Jun, 2000